Dataset之Cityscapes:Cityscapes数据集的简介、安装、使用方法之详细攻略(一)

简介: Dataset之Cityscapes:Cityscapes数据集的简介、安装、使用方法之详细攻略

Cityscapes数据集的简介


image.png


       Cityscapes拥有5000张在城市环境中驾驶场景的图像(2975train,500 val,1525test)。它具有19个类别的密集像素标注(97%coverage),其中8个具有实例级分割。Cityscapes数据集,即城市景观数据集,这是一个新的大规模数据集,其中包含一组不同的立体视频序列,记录在50个不同城市的街道场景。

      城市景观数据集中于对城市街道场景的语义理解图片数据集,该大型数据集包含来自50个不同城市的街道场景中记录的多种立体视频序列,除了20000个弱注释帧以外,还包含5000帧高质量像素级注释。因此,数据集的数量级要比以前的数据集大的多。Cityscapes数据集共有fine和coarse两套评测标准,前者提供5000张精细标注的图像,后者提供5000张精细标注外加20000张粗糙标注的图像。

      Cityscapes数据集包含2975张图片。包含了街景图片和对应的标签。大小为113MB。Cityscapes数据集,包含戴姆勒在内的三家德国单位联合提供,包含50多个城市的立体视觉数据。


1、Cityscapes数据集的特点


像素级标注;

提供算法评估接口。

 


2、Cityscapes数据集的目的


评价视觉算法在城市场景语义理解的主要任务中的性能:像素级、实例级、泛光语义标注;

支持旨在利用大量(弱)注释数据的研究,例如用于训练深度神经网络。


3、样例解释


        第一张图是的高质量密集像素注释的示例,提供了5 000张图像。重叠颜色编码语义类(参见类定义)。请注意,交通参与者的单个实例是单独标注的。第二张是粗略注释,除了精细的注释外,我们还与pallas ludens合作,为一组20000图像提供更粗的多边形注释。同样,重叠的颜色对语义类进行编码(参见类定义)。注意,我们的目标不是注释单个实例,但是,我们标记了覆盖单个对象的多边形。


image.png


数据集官网:https://www.cityscapes-dataset.com/




4、Features


Type of annotations


Semantic

Instance-wise

Dense pixel annotations

Complexity


30 classes

See Class Definitions for a list of all classes and have a look at the applied labeling policy.

Diversity


50 cities

Several months (spring, summer, fall)

Daytime

Good/medium weather conditions

Manually selected frames

Large number of dynamic objects

Varying scene layout

Varying background

Volume


5 000 annotated images with fine annotations (examples)

20 000 annotated images with coarse annotations (examples)

Metadata


Preceding and trailing video frames. Each annotated image is the 20th image from a 30 frame video snippets (1.8s)

Corresponding right stereo views

GPS coordinates

Ego-motion data from vehicle odometry

Outside temperature from vehicle sensor

Benchmark suite and evaluation server


Pixel-level semantic labeling

Instance-level semantic labeling


5、标签政策


     被标记的前景对象不能有洞,也就是说,如果有一些背景是可见的“通过”一些前景对象,它被认为是前景的一部分。这也适用于高度混合了两个或多个类的区域:它们被用前台类标记。例如:房子前的树叶或天空(一切树木),透明的车窗(一切汽车)。



6、Class Definitions


Please click on the individual classes for details on their definitions.


Group Classes

flat road · sidewalk · parking+ · rail track+

human person* · rider*

vehicle car* · truck* · bus* · on rails* · motorcycle* · bicycle* · caravan*+ · trailer*+

construction building · wall · fence · guard rail+ · bridge+ · tunnel+

object pole · pole group+ · traffic sign · traffic light

nature vegetation · terrain

sky sky

void ground+ · dynamic+ · static+



Cityscapes数据集的安装


T1、数据集下载:https://www.cityscapes-dataset.com/login/

T2、百度云下载:https://pan.baidu.com/s/1w3W_dQBUiHcwkLOtbSJ1Tg    

              提取码:1bln     注:里面不包含19998 images的Coarse 粗略注释


脚本(网友提供):https://github.com/mcordts/cityscapesScripts/tree/master/cityscapesscripts






相关文章
|
存储 数据库
Dataset之ADE20k:ADE20k数据集的简介、安装、使用方法之详细攻略
Dataset之ADE20k:ADE20k数据集的简介、安装、使用方法之详细攻略
Dataset之ADE20k:ADE20k数据集的简介、安装、使用方法之详细攻略
|
算法 数据库 计算机视觉
Dataset之COCO数据集:COCO数据集的简介、下载、使用方法之详细攻略
Dataset之COCO数据集:COCO数据集的简介、下载、使用方法之详细攻略
|
机器学习/深度学习 算法 网络架构
【CVPR2017】AOD-Net:端到端的除雾网络(原理&实操)
【CVPR2017】AOD-Net:端到端的除雾网络(原理&实操)
2997 0
【CVPR2017】AOD-Net:端到端的除雾网络(原理&实操)
|
存储 数据采集 传感器
一文多图搞懂KITTI数据集下载及解析
一文多图搞懂KITTI数据集下载及解析
16035 3
一文多图搞懂KITTI数据集下载及解析
|
自然语言处理 算法 数据挖掘
自蒸馏:一种简单高效的优化方式
背景知识蒸馏(knowledge distillation)指的是将预训练好的教师模型的知识通过蒸馏的方式迁移至学生模型,一般来说,教师模型会比学生模型网络容量更大,模型结构更复杂。对于学生而言,主要增益信息来自于更强的模型产出的带有更多可信信息的soft_label。例如下右图中,两个“2”对应的hard_label都是一样的,即0-9分类中,仅“2”类别对应概率为1.0,而soft_label
自蒸馏:一种简单高效的优化方式
|
人工智能 计算机视觉
Dataset之BDD100K:BDD100K数据集的简介、下载、使用方法之详细攻略
Dataset之BDD100K:BDD100K数据集的简介、下载、使用方法之详细攻略
Dataset之BDD100K:BDD100K数据集的简介、下载、使用方法之详细攻略
|
机器学习/深度学习 JSON 算法
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
本文介绍了DeepLab V3在语义分割中的应用,包括数据集准备、模型训练、测试和评估,提供了代码和资源链接。
3236 0
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
|
传感器 机器学习/深度学习 编解码
智能驾驶--语义分割 公开数据集 汇总
本文整理了10个质量较好,数据集较大,比较新的,图像语义分割的公开数据集;主要服务于智能驾驶方向(辅助驾驶、自动驾驶等)。
2589 0
|
PyTorch 测试技术 算法框架/工具
Python中Thop库的常见用法和代码示例
肆十二在B站分享了关于THOP(Torch-OpCounter)的实战教学视频。THOP是一个用于计算PyTorch模型操作数和计算量的工具,帮助开发者评估模型复杂度和性能。本文介绍了THOP的安装、使用方法及基本用例,包括如何计算模型的FLOPs和参数量。
1378 0
|
存储 编解码 数据安全/隐私保护
ISPRS Vaihingen 数据集解析
ISPRS Vaihingen 数据集解析
2250 0
ISPRS Vaihingen 数据集解析